Infrastruttura Urbana di Ricarica EV Diventa Più Intelligente con Monte Carlo e Reti Neurali Eco
In un mondo in rapida elettrificazione, uno degli ostacoli più grandi all’adozione di massa dei veicoli elettrici non è l’ansia da autonomia o il costo delle batterie, ma dove e quando è possibile collegarsi alla rete. Le città di tutto il mondo stanno affrontando un paradosso: le stazioni di ricarica a volte rimangono inutilizzate mentre i conducenti percorrono a vuoto interi isolati in cerca di una presa disponibile. Questa discrepanza non è solo scomoda: è inefficiente, costosa e minaccia lo slancio della rivoluzione elettrica.
Tuttavia, una nuova ondata di ricerca accademica sta cambiando le regole del gioco, non con hardware nuovo e appariscente, ma con software più intelligenti alla base della pianificazione infrastrutturale. All’incrocio tra modellazione del comportamento del traffico, apprendimento automatico e ingegneria dei sistemi energetici, un team di Shangyi Electric Power Company (State Grid Jibei Electric Power Company) e dell’Università di Yanshan ha svelato un metodo innovativo per prevedere la domanda di ricarica dei veicoli elettrici nello spazio e nel tempo, utilizzando queste informazioni per ottimizzare la posizione delle nuove stazioni di ricarica, il numero di colonnine necessarie e la loro dimensione.
Il risultato? Meno automobilisti in difficoltà, costi di costruzione ridotti, minore stress per la rete e un quadro di pianificazione che finalmente tratta i veicoli elettrici non come veicoli isolati, ma come carichi dinamici e mobili modellati dalle routine umane, dalla geografia urbana e dai ritmi stagionali.
Questa è la sfida centrale affrontata nello studio: le previsioni tradizionali sulla ricarica dei veicoli elettrici spesso si basano su dati storici di stazioni esistenti, un metodo che funziona bene per affinare le operazioni dove l’infrastruttura è già presente, ma che fallisce quando si cerca di pianificare nuove stazioni in zone non ancora sviluppate. Non si può prevedere la domanda di colonnine che non esistono ancora basandosi sull’utilizzo di quelle esistenti.
I ricercatori hanno quindi intrapreso una strada diversa, letteralmente.
Hanno iniziato suddividendo l’area urbana target (40,46 km², con 79 strade e 49 nodi di traffico) in 33 celle di griglia, ciascuna tra 0,64 e 2,25 km². Queste non erano blocchi arbitrari: erano classificate in base alla funzione reale: zone residenziali, commerciali e industriali. Perché? Perché dove si trovano le persone influenza cosa fanno. Un automobilista in un distretto commerciale alle 15:00 ha molte più probabilità di collegarsi per una ricarica rapida rispetto a qualcuno in una zona industriale a mezzanotte.
Poi è arrivato il motore comportamentale: la simulazione Monte Carlo. Invece di presumere un comportamento medio, il team ha modellato singoli veicoli elettrici: 13.000 auto private, 5.000 taxi e 2.000 autobus, ciascuno con la propria capacità della batteria (rispettivamente 18 kWh, 45 kWh e 200 kWh), chilometraggio giornaliero (estratto da distribuzioni log-normali che riflettono sondaggi reali) e schemi di viaggio.
Crucialmente, non hanno simulato solo un giorno “tipico”. Hanno tenuto conto delle variazioni stagionali e delle differenze tra giorni della settimana: giorni lavorativi (dominati da percorsi casa-lavoro-casa), fine settimana (più erratici, casa-commissioni-casa o catene complesse con più soste) e festivi (un mix di svago e picchi di viaggio). La decisione di ogni veicolo di ricaricare, e dove, era governata da fisica e psicologia: batteria residua, distanza del tratto successivo, soglia minima accettabile di stato di carica e disponibilità a deviare.
Ad esempio, il modello calcola se un’auto privata che termina una commissione all’ora di pranzo in una zona commerciale ha ancora abbastanza energia per tornare a casa e completare il tragitto del giorno successivo. Se no, o se il conducente preferisce non rischiare, l’auto diventa un candidato per una ricarica di mezzogiorno. Un taxi, al contrario, potrebbe ricaricare in modo opportunistico ogni poche ore, ottimizzando per il tempo di attività, non per la convenienza.
Eseguendo questa simulazione 200 volte (per livellare il rumore statistico), il team ha generato un enorme dataset sintetico: la domanda di potenza di ricarica ora per ora in ciascuna delle 33 griglie, in più giorni rappresentativi. Questo è diventata la loro “storia virtuale”, una mappa di carico spaziotemporale ad alta risoluzione dove nessuna colonnina reale era ancora presente.
Ma l’output grezzo di Monte Carlo è rumoroso. I pianificatori reali hanno bisogno di tendenze pulite e azionabili, non di grafici a dispersione di 200 esecuzioni stocastiche. Entrano in gioco le Echo State Network (ESN), un tipo di rete neurale ricorrente nota per l’addestramento rapido, la robustezza agli input rumorosi e le forti capacità di previsione delle serie temporali.
A differenza delle tradizionali reti a backpropagation che modificano tutti i pesi durante l’addestramento, le ESN mantengono la maggior parte delle loro connessioni interne del “serbatoio” fisse e casuali, addestrando solo lo strato di output. Questo le rende computazionalmente leggere e meno soggette a overfitting, ideali per adattare complesse curve di carico non lineari con dati limitati.
I ricercatori hanno addestrato tre ESN separate, una per tipo di zona (residenziale, commerciale, industriale), alimentandole non solo con dati di carico passati, ma anche con caratteristiche contestuali: tipo di funzione della griglia e flusso di traffico stimato. Dimensione dell’input: 10. Dimensione del serbatoio: 500 neuroni. Output: carico di ricarica previsto (kW) per il passo temporale successivo.
Il risultato? Quando testate rispetto alle classiche reti neurali BP (backpropagation) sui dati della zona residenziale, le ESN hanno ridotto l’errore percentuale medio assoluto (MAPE) del 22% e l’errore quadratico medio (RMSE) di oltre il 25%. Traduzione: hanno catturato i picchi e le valli reali della ricarica, come il picco residenziale serale dopo le 18:00 o il picco commerciale di mezzogiorno, in modo molto più fedele. Il modello non ha solo previsto quanta potenza sarebbe stata assorbita; ha individuato quando e dove sarebbe aumentata.
Armato di precise previsioni spaziotemporali, il team ha quindi capovolto il problema: Data questa domanda, dove dovremmo costruire le stazioni e quanto grandi dovrebbero essere per minimizzare il costo sociale totale?
È qui che il loro modello di pianificazione brilla rifiutando le semplificazioni eccessive. Troppi approcci passati si concentravano solo sulla prospettiva dell’utility: minimizzare le spese in conto capitale. Altri privilegiavano la convenienza del conducente a tutti i costi. Questo quadro impone un compromesso olistico, bilanciando quattro principali categorie di costo:
- CapEx & OpEx infrastrutturale – Trasformatori, colonnine, acquisizione di terreni e manutenzione annuale fissa (scalata come percentuale del costo di costruzione).
- Costo di viaggio dell’utente – Non solo il tempo, ma l’energia sprecata per raggiungere le colonnine. Ogni chilometro di deviazione consuma batteria preziosa, pagata dal conducente, spesso a tariffe di ricarica premium.
- Perdite di rete – Un carico concentrato di veicoli elettrici può sovraccaricare gli alimentatori, aumentando le perdite resistive (I²R). Il modello quantifica questo in kWh e lo converte in dollari utilizzando i prezzi locali dell’energia.
- Costo opportunità di sotto/sovradimensionamento – Troppe poche colonnine significano code e deviazioni; troppe significano asset inutilizzati e tariffe più alte.
Il motore di ottimizzazione? L’Ottimizzazione con Sciame di Particelle (PSO), un algoritmo bio-ispirato che imita il volo degli uccelli in stormo o il nuoto dei banchi di pesci per esplorare efficientemente spazi soluzionali ad alta dimensionalità. Il PSO modifica iterativamente soluzioni candidate (cioè insiemi di posizioni e dimensioni delle stazioni), guidato da un punteggio di “fitness”: il costo totale annualizzato del sistema.
I vincoli mantenevano la realisticità:
- La capacità di ogni stazione era limitata tra 5 e 45 colonnine.
- Era imposta una distanza minima (per evitare cannibalizzazione e garantire copertura geografica).
- Erano rispettati i limiti di connessione alla rete (nessuna stazione poteva assorbire più di quanto il suo alimentatore potesse erogare in sicurezza).
- L’uso simultaneo delle colonnine era assunto all’80-100% (basato su dati empirici della flotta).
L’esito? Chiari rendimenti decrescenti e un punto ottimale.
Testando un numero di stazioni da 4 a 10, il modello ha mostrato un costo totale in declino da 4 a 7 stazioni: i conducenti risparmiavano più in tempo/energia di viaggio rispetto al costo di costruzione aggiuntivo sostenuto. Ma oltre le 7? I costi sono risaliti. Una 8a stazione aggiungeva circa 200.000 ¥ in hardware e manutenzione, ma riduceva i costi di viaggio degli utenti solo di circa 20.000 ¥. Il guadagno marginale non giustificava la spesa.
Sette stazioni sono emerse come l’optimum, con un costo sociale annuale previsto di 4,696 milioni di ¥ (circa 655.000 $ ai tassi di cambio attuali). Questa cifra si scompone in:
- 4,158 milioni di ¥ in costruzione e manutenzione
- 0,248 milioni di ¥ in costi di deviazione degli utenti
- 0,289 milioni di ¥ in perdite di rete aggiuntive
Si noti la distribuzione: l’infrastruttura domina, ma i costi per utenti e rete non sono note a piè di pagina. Sono leve che influenzano le decisioni.
Ancora più significativo: dove si sono posizionate le sette stazioni. Nessuna si è raggruppata in modo ridondante. Invece, hanno formato un reticolo strategico:
- Una vicino al nucleo residenziale meridionale (7 colonnine)
- Un hub ad alta capacità (24 colonnine) nel cuore commerciale denso
- Un nodo di medie dimensioni (15 colonnine) a servizio della zona industriale settentrionale
- Avamposti più piccoli a colmare le lacune
Questo non è un approccio “a pioggia”. È un dispiegamento consapevole della domanda e dei costi.
Perché questo va oltre l’importanza per una singola città cinese?
Perché la metodologia trascende la geografia. Man mano che i mercati dei veicoli elettrici maturano, da Berlino a Bangalore, i pianificatori municipali e gli ingegneri delle utility affrontano lo stesso dilemma: come evitare gli errori passati del sovradimensionamento di stazioni sottoutilizzate prevenendo al contempo l’attuale crisi dei deserti di accesso.
Ciò che distingue questo approccio è il suo realismo comportamentale. Non tratta i veicoli elettrici come statiche “batterie su ruote”. Li modella come agenti integrati negli ecosistemi urbani: che rispondono agli orari di lavoro, agli ingorghi del traffico, alle abitudini di acquisto e persino alle oscillazioni stagionali della temperatura (che influenzano l’efficienza della batteria e il carico del climatizzatore). Quella granularità è ciò che permette all’ESN di superare i modelli di serie temporali più semplici: apprende il ritmo della vita cittadina, non solo le tendenze statistiche.
Inoltre, l’architettura in due fasi – Monte Carlo per la generazione dei dati, ESN per l’estrazione dei modelli – risolve un critico problema della gallina e l’uovo: servono dati sulla domanda per pianificare le colonnine, ma servono colonnine per ottenere dati sulla domanda. La generazione di dati sintetici supera questo stallo.
Criticamente, il modello è scalabile. Sebbene l’articolo abbia testato una città di medie dimensioni, i passaggi di partizionamento della griglia e di addestramento ESN possono essere parallelizzati. Le metropoli più grandi potrebbero utilizzare griglie più fini o ensemble ESN specifici per zona. Gli operatori di flotte potrebbero integrare telematica proprietaria per calibrare le distribuzioni del chilometraggio e del tempo di sosta. Anche le piattaforme di ride-hailing potrebbero licenziare il framework per posizionare preventivamente le colonnine vicino a zone ad alta attività.
E il futuro? Gli autori accennano a due frontiere.
Primo, l’integrazione del retrofit. Con l’accelerazione dell’adozione di veicoli elettrici, le città non costruiranno solo nuove stazioni: convertiranno stazioni di servizio, parcheggi multipiano e lotti commerciali. Questo motore di previsione del carico potrebbe identificare quali siti esistenti hanno la più alta domanda latente e margine di rete per la conversione, trasformando l’infrastruttura fossile di ieri nei hub per veicoli elettrici di domani.
Secondo, e più trasformativo, la preparazione per il V2G (Vehicle-to-Grid). Attualmente, il modello tratta i veicoli elettrici come puri carichi. Ma man mano che le colonnine bidirezionali diventeranno mainstream, i veicoli elettrici parcheggiati potrebbero restituire energia alla rete durante i picchi, livellando l’integrazione delle rinnovabili. La stessa spina dorsale di previsione spaziotemporale – sapere dove saranno i veicoli elettrici inattivi e carichi, e quando – è il primo passo essenziale per gestire quella flotta di accumulo distribuito. Un piano di stazioni di ricarica progettato oggi con il V2G di domani in mente non avrà bisogno di una revisione totale nel 2030.
Naturalmente, nessun modello è perfetto. Le simulazioni Monte Carlo ereditano i bias delle loro ipotesi di input: i sondaggi di viaggio possono mancare comportamenti di nicchia; il degrado della batteria nel tempo non è modellato; eventi imprevisti (festival, lavori in corso, scioperi dei trasporti pubblici) possono disturbare anche le previsioni migliori. E sebbene il PSO abbia trovato un ottimo locale, l’ottimalità globale non può essere garantita in panorami così complessi.
Tuttavia, la convalida parla chiaro. Quando il team ha confrontato le curve di carico previste con i dati pilota del mondo reale, le bande di errore dell’ESN sono rimaste strette, specialmente durante periodi critici di ramp-up come le serate dei giorni feriali. Questa affidabilità è ciò che dà ai pianificatori la fiducia per scommettere milioni sulle sue raccomandazioni.
In un’era in cui le decisioni infrastrutturali bloccano i risultati in termini di emissioni ed equità per decenni, azzeccare la previsione non è accademico, è esistenziale. Questo lavoro dimostra che con la giusta miscela di simulazione basata sulla fisica, agilità di machine learning e ottimizzazione consapevole dei costi, le città possono passare da una rattoppa reattiva a un’integrazione proattiva e intelligente dei veicoli elettrici.
La strada verso un trasporto completamente elettrificato non sarà lastricata solo di colonnine di ricarica. Sarà tracciata da algoritmi che capiscono perché guidiamo, quando ci fermiamo e come incontrarci lì, con l’energia pronta, i costi minimizzati e la rete intatta.
—
Yufei Wang¹, Fei Zhang¹, Junchao Guo¹, Xin Sun¹, Wei Huo², Dongsheng Wang², Lijun Yang² ¹Shangyi Electric Power Company, State Grid Jibei Electric Power Company, Zhangjiakou 076750, Provincia di Hebei, Cina ²Scuola di Ingegneria Elettrica, Università di Yanshan, Qinhuangdao 066004, Provincia di Hebei, Cina Modern Electric Power, Vol. 40, No. 2, Apr. 2023 DOI: 10.19725/j.cnki.1007-2322.2021.0251